Kunstmatige Neurale Netwerken Verbeteren Draadloze Communicatieprestaties

• Onderzoekers gebruiken hersen-geïnspireerde methodes om signalen effectief te detecteren aan de ontvangerkant.
• Het is gebaseerd op het Echo State Network dat hoge prestaties biedt bij lagere energieverbruik.

Wetenschappers zijn altijd op zoek naar efficiëntere en betrouwbaardere communicatie, voor alles van mobiele telefoons en televisiestoestellen tot medische instrumenten en satellieten. De techniek die uitgebreid is bestudeerd, is multiple-input multiple-output (MIMO) methodes met orthogonale frequentiedeling multiplexing (OFDM).

Het biedt hoge-doorvoer transmissie en robuustheid tegen multi-path fading. Echter, een efficiënt ontvangertontwerp wordt extreem complex zonder een effectief kanaalschattingsschema. Dus de meeste problemen die in dergelijke systemen ontstaan, liggen in het verkrijgen van nauwkeurige kanaaltoestandinformatie.

Om deze problemen te verminderen en de energie-efficiëntie van draadloze ontvangers te verhogen, gebruiken onderzoekers van Virginia Tech hersen-geïnspireerde machine learning methodes. Het kan de kanaalschatting overbodig maken en de prestaties significant verbeteren waar het moeilijk is om een verbinding tussen de systeeminvoer en -uitvoer te vestigen.

De combinatie van MIMO en OFDM stelt signalen in staat om van zender naar ontvanger te bewegen via verschillende routes tegelijkertijd. Een van de hoofvoordelen van het gebruik van deze techniek is dat het multipath fading vermijdt terwijl interferentie geminimaliseerd wordt. Dit brengt diverse voordelen voor 4G en 5G technologie.

Echter, het efficiënt identificeren van signalen aan de ontvangerkant en het coderen ervan in een formaat dat door apparaten (zoals mobiele televisies) begrepen kan worden, vereist veel computationele resources en energie. In dit geval kunnen kunstmatige neurale netwerken de inefficiëntie in grote mate verminderen.

Referentie: IEEE | Virginia Tech

Reservoir Computing En Efficiëntie

Meestal voeren ontvangers kanaalschatting uit voordat ze de getransmitteerde signalen identificeren. Met behulp van kunstmatige neurale netwerken kunnen onderzoekers een heel nieuw framework genereren door getransmitteerde signalen aan de ontvangerkant te identificeren. Ze noemen dit framework Reservoir Computing (RC).

Het is gebaseerd op een unieke architectuur van echo state network, wat hoge prestaties biedt bij lagere energieverbruik. Met behulp van dit framework maakten onderzoekers een model dat aantoont hoe een specifiek signaal van een zender naar een ontvanger reist. Dit model stelt hen in staat om een duidelijke verbinding tussen de systeeminvoer en -uitvoer te creëren.

Aangezien het neurale netwerk getraind wordt zonder adaptief de synaptische gewichten van de reservoir (binnenste lagen) te updaten, presteert het beter in termen van trainingsconvergentie en computationele complexiteit. Het kan effectief niet-lineaire vervormingen van vermogensversterker bij de zender hanteren tijdens het consumeren van lage energie.

Lees ook: Neurale Netwerken Zijn De Toekomst Van Machine Vertaling

De auteurs hebben deze techniek vergeleken met andere trainingsmethodes en ontdekt dat hun resultaten veel beter waren (energie-efficiënt) aan de ontvangerkant.